Valutazione statistica delle variabili caratterizzanti l'insufficienza renale

L’insufficienza renale costituisce una condizione clinica complessa e di grande rilevanza epidemiologica, con ripercussioni significative sul piano fisiopatologico, clinico e sociosanitario. Gli obiettivi principali della tesi sono: da un lato offrire una trattazione compilativa dei principali aspetti di anatomia e fisiologia renale, dei meccanismi di filtrazione e regolazione idro-elettrolitica, nonché delle modalità terapeutiche sostitutive (emodialisi, dialisi peritoneale e trapianto); dall’altro condurre un’analisi sperimentale basata sull’elaborazione statistica di un dataset clinico reale. Il dataset considerato, reso disponibile tramite la piattaforma IEEE DataPort, comprende 400 istanze e 25 variabili cliniche e demografiche. Le elaborazioni sono state effettuate in ambiente Matlab, tramite una procedura che ha previsto il controllo preliminare della qualità dei dati, la verifica delle distribuzioni mediante Lilliefors Test e l’applicazione di metodologie statistiche non parametriche. Quanto analizzato ha posto in evidenza importanti differenze tra pazienti affetti da malattia renale cronica (CKD) e soggetti sani in numerosi parametri, tra cui glicemia, creatinina sierica, urea, pressione arteriosa ed emoglobina. L’impiego del Wilcoxon Rank-Sum Test ha permesso di valutare in maniera robusta tali discrepanze, mentre il Kruskal-Wallis Test ha esteso l’analisi a confronti multipli. Per le variabili categoriche, il Test del Chi-quadro ha rivelato associazioni statisticamente indicative, in particolare tra soggetti patologici e la presenza di anemia, complicanza clinica di frequente riscontro. L’uso di misure descrittive (mediana, range interquartile) e di rappresentazioni grafiche (boxplot e grafici a barre) concede una visualizzazione immediata ed efficace dei risultati ottenuti. Nel complesso, lo studio ha dimostrato come l’integrazione tra strumenti di calcolo automatico e metodi statistici appropriati possa contribuire concretamente alla comprensione della patologia renale, mostrando pattern clinici rilevanti e potenzialmente utili per la pratica medica. Le prospettive future includono l’impiego di algoritmi di machine learning supervisionato, così da sviluppare modelli predittivi per la diagnosi precoce e la stratificazione del rischio nei pazienti.